Tag · 8 篇
组相对策略优化
TTRV：面向视觉语言模型的测试时强化学习
TTRV: Test-Time Reinforcement Learning for Vision Language Models
把 GRPO 式的强化学习从训练阶段搬到推理阶段：对每个测试样本多次采样，用基座模型输出频率构造奖励，并加入经验分布熵正则控制多样性，从而在无任何标注的情况下在线提升 VLM 的识别与 VQA 表现，可直接复用于任意现成 LVLM 的测试时增强。
TRivia：面向表格识别的视觉语言模型自监督微调
TRivia: Self-supervised Fine-tuning of Vision-Language Models for Table Recognition
把 GRPO 式的强化学习自监督微调用在 VLM 上，用「识别结果能否被正确问答」构造无需标注的奖励信号，并配注意力引导的多样化问题生成；这套闭环奖励设计可迁移到任何缺乏标注的结构化图像解析任务（如公式、图表、版面解析）。
SafeGRPO：通过规则约束的策略优化实现自奖励多模态安全对齐
SafeGRPO: Self-Rewarded Multimodal Safety Alignment via Rule-Governed Policy Optimization
对做多模态大模型安全对齐的研究者，这篇给出了可复用的配方：用带视觉/文本/组合安全标签的数据集构造规则化可验证奖励，再接入 GRPO 做自奖励强化学习，并配合分步安全思维链约束推理轨迹；可直接迁移到其他 VLM 的安全微调或推理时风险感知训练。
RAAS：基于 GRPO 的大语言模型智能体系统架构搜索
RAAS: LLM Agentic System Architecture Search with GRPO
论文提出的「同查询候选群组对比 + 多试验聚合」稳定评估思路，可直接迁移到视觉智能体（如视觉工具调用、多模态推理流水线）的架构搜索与自动设计，缓解绝对分数受任务难度干扰的问题。
KAMP：面向医学图像表征的知识锚定多模态预训练框架
KAMP: Knowledge-Anchored Multimodal Pretraining Framework for Medical Image Representation
用大语言模型从临床文本与影像元数据生成个性化诊断知识，作为语义锚点注入图像表征，并用跨模态对齐器作奖励模型做 GRPO 优化——这套「文本先验锚定 + 对齐器即奖励」的流程可迁移到任何配对数据稀缺的视觉-语言预训练场景。
从探索到利用：面向噪声容忍 MLLM 训练的两阶段熵 RLVR 方法
From Exploration to Exploitation: A Two-Stage Entropy RLVR Approach for Noise-Tolerant MLLM Training
对做 MLLM 后训练的人，这套「先熵最大化探索、后熵最小化利用」的 token 级熵调度可直接插到 GRPO 训练循环里，用来在标注噪声大的视觉问答/多模态推理数据上稳住组内奖励方差、避免过早收敛到错标。
课程组策略优化：自适应采样释放文生图生成潜力
Curriculum Group Policy Optimization: Adaptive Sampling for Unleashing the Potential of Text-to-Image Generation
把 GRPO 训练中的提示词采样从均匀改为按组奖励方差自适应加权，可直接迁移到扩散/流匹配模型的强化学习后训练，用来提升提示词对齐与训练效率；类别校准的比例公平思路也可用于多类别文生图数据配比。
AVATAR：通过强化学习在视频上看见、听见与推理
AVATAR: Reinforcement Learning to See, Hear, and Reason Over Video
对做视频多模态推理的人，这篇给出了一个可直接复用的强化学习后训练配方：用离策略样本回放缓解 GRPO 的组内奖励同质化（优势消失），并用时序优势塑形把信用集中到规划与综合两端阶段，可迁移到任意视频/音视频 VLM 的 RL 微调流程。